هوش مصنوعی در تصویربرداری پزشکی: از تئوری تا عمل بالینی ۲۰۱۹
Artificial Intelligence in Medical Imaging: From Theory to Clinical Practice 2019

این کتاب که توسط نویسندگانی با بیش از یک دهه تجربه در طراحی و توسعه سیستم های هوش مصنوعی (AI) در تصویربرداری پزشکی نوشته شده است، خوانندگان را در درک یکی از جذاب ترین حوزه های امروز راهنمایی می کند.

پس از یک توصیف مقدماتی از تکنیک های کلاسیک یادگیری ماشین، اصول یادگیری عمیق به شیوه ای ساده و در عین حال جامع توضیح داده می شود. سپس کتاب با یک دیدگاه تاریخی به چگونگی توسعه هوش مصنوعی پزشکی در طول زمان می پردازد و جزئیات مربوط به اینکه کدام برنامه ها پیروز شدند و کدام شکست خوردند را، از دوران سیستم های تشخیص به کمک رایانه گرفته تا کاربردهای پیشرفته امروزی در یادگیری عمیق که شروع به نشان دادن عملکردی هم سطح با متخصصان بالینی کرده اند، تشریح می کند.

در بخش آخر، کتاب دیدگاهی در مورد پیچیدگی اعتبارسنجی برنامه های هوش مصنوعی برای استفاده تجاری ارائه می دهد و مفهوم اخیراً معرفی شده نرم افزار به عنوان یک دستگاه پزشکی، و همچنین شیوه های خوب و ملاحظات مرتبط برای آموزش و آزمایش سیستم های یادگیری ماشین برای استفاده پزشکی را شرح می دهد. مشکلات باز در مورد اعتبارسنجی برای استفاده عمومی از سیستم هایی که طبیعتاً به طور مداوم از طریق داده های جدید تکامل می یابند نیز بررسی می شود.

این کتاب برای دانشجویان تحصیلات تکمیلی در رشته های فیزیک پزشکی، مهندسی پزشکی و علوم کامپیوتر، علاوه بر محققان و متخصصان پزشکی که در حوزه تصویربرداری پزشکی فعالیت می کنند و مایل به درک بهتر این فناوری ها و آینده این حوزه هستند، مفید خواهد بود.

ویژگی ها:

• مروری در دسترس و در عین حال مفصل از این حوزه
• به بررسی یک موضوع داغ و رو به رشد می پردازد
• دیدگاهی بین رشته ای ارائه می دهد

This book, written by authors with more than a decade of experience in the design and development of artificial intelligence (AI) systems in medical imaging, will guide readers in the understanding of one of the most exciting fields today.

After an introductory description of classical machine learning techniques, the fundamentals of deep learning are explained in a simple yet comprehensive manner. The book then proceeds with a historical perspective of how medical AI developed in time, detailing which applications triumphed and which failed, from the era of computer aided detection systems on to the current cutting-edge applications in deep learning today, which are starting to exhibit on-par performance with clinical experts.

In the last section, the book offers a view on the complexity of the validation of artificial intelligence applications for commercial use, describing the recently introduced concept of software as a medical device, as well as good practices and relevant considerations for training and testing machine learning systems for medical use. Open problematics on the validation for public use of systems which by nature continuously evolve through new data is also explored.

The book will be of interest to graduate students in medical physics, biomedical engineering and computer science, in addition to researchers and medical professionals operating in the medical imaging domain, who wish to better understand these technologies and the future of the field.

Features:

• An accessible yet detailed overview of the field
• Explores a hot and growing topic
• Provides an interdisciplinary perspective